Aprendizaje por transferencia explicable con VGG16 usando SHAP y grad-CAM para la detección de la polilla de cera y su infestación en colmenas de abejas mediante datos de imagen

Por qué vigilar a las abejas importa para todos

Las abejas melíferas sostienen en silencio gran parte del suministro alimentario mundial al polinizar frutas, verduras y frutos secos. Sin embargo, sus colmenas están amenazadas por una plaga pequeña pero destructiva: la polilla de cera mayor. Estos insectos pueden vaciar los panales, debilitar las colonias y, en última instancia, reducir las cosechas y la biodiversidad. El estudio resumido aquí muestra cómo una cámara y un sistema informático inteligente y transparente pueden colaborar para detectar a tiempo problemas con la polilla de cera, ofreciendo a los apicultores una herramienta práctica para proteger sus colmenas y, de forma indirecta, nuestra alimentación.

El invasor oculto dentro de la colmena

Las polillas de cera depositan sus huevos en rincones oscuros de la colmena. Las larvas que emergen perforan la cera, el polen y las celdas de cría, dejando seda, residuos y panales desmoronados. Con el tiempo, este daño puede provocar el colapso de la colonia y la propagación de enfermedades. Las inspecciones tradicionales dependen de que el apicultor abra físicamente cada colmena, levante los marcos y juzgue el daño a simple vista. Esto es un trabajo lento y agotador que se vuelve inviable en colmenares grandes o remotos. Como resultado, las infestaciones a menudo se detectan solo después de que el daño ya es grave, con costes económicos y ecológicos que se extienden mucho más allá de la explotación de un solo apicultor.

Convertir fotos de colmenas en avisos tempranos

Los investigadores construyeron un nuevo sistema de monitoreo basado en fotografías simples de marcos de colmena tomadas con un teléfono inteligente estándar en colmenares de trabajo del sur de Pakistán. Reunieron un conjunto de datos de 3.252 imágenes de alta resolución que muestran panales sanos y panales infestados por la polilla de cera en tres estadios: larva, pupa y adulto. En lugar de obligar al modelo a aprender todo desde cero, emplearon aprendizaje por transferencia con una red de imágenes ya existente llamada VGG16 para extraer patrones detallados de color y textura de cada foto. Estos patrones se pasaron luego a métodos de aprendizaje automático más familiares —como regresión logística, máquinas de vectores de soporte y ensamblados basados en árboles— que son más fáciles de ajustar, comparar y explicar.

Un chequeo en dos pasos para cada marco

El sistema examina cada imagen en dos niveles, emulando cómo piensa un apicultor experimentado. Primero, decide si un marco está sano o infestado. Si se detecta infestación, una segunda etapa determina si la plaga visible está en forma de larva, pupa o adulto. Para evitar el sesgo hacia los tipos de imágenes más comunes, el equipo usó una técnica llamada SMOTE para equilibrar los datos de entrenamiento. También probaron muchos modelos y combinaciones alternativas, usando validación cruzada y pruebas estadísticas para asegurarse de que las mejoras de rendimiento no se debieran al azar. La mejor combinación para el primer paso, denominada XAI-HoneyNet, mezcló dos clasificadores fuertes en un esquema de votación y separó correctamente marcos sanos de infestedos en 99 de cada 100 imágenes de prueba. Para el segundo paso, un ensamblado denominado XAI-PestNet distinguió con precisión entre larva, pupa y adulto en aproximadamente el 96 por ciento de los casos.

Abrir la “caja negra” de la inteligencia artificial

Muchos sistemas potentes de reconocimiento de imágenes se comportan como cajas negras: ofrecen una respuesta pero no una razón. Eso es un problema para los apicultores que deben decidir si retirar material, tratar colmenas o dejarlas intactas. Para abordar esto, los autores añadieron herramientas de explicabilidad. Una, conocida como SHAP, asigna a cada característica de la imagen una puntuación que refleja cuánto empujó la decisión hacia “sano” o “infestado”. Otra, llamada Grad-CAM, genera mapas de calor que resaltan las regiones de la foto que más influenciaron la decisión. En este estudio, las regiones brillantes en estos mapas tendían a coincidir con sedas, panales dañados, túneles de larvas o los cuerpos de las propias polillas, en lugar de con fondos irrelevantes. Esto da a los usuarios la confianza de que el modelo “mira” donde lo haría un apicultor con experiencia.

De imágenes inteligentes a una apicultura más inteligente

En términos prácticos, el trabajo demuestra que una cámara de bajo coste y un modelo informático explicable pueden identificar de forma fiable problemas de polilla de cera de forma temprana e indicar qué estadio de vida está presente. Dado que el enfoque usa componentes modulares —redes de imagen estándar y clasificadores bien conocidos— puede adaptarse a otras plagas de colmenas, cultivos y regiones. Al hacer sus decisiones comprensibles mediante señales visuales, el sistema tiene más probabilidades de ser confiado y adoptado por los apicultores que deben actuar según su salida. Si se integra en dispositivos de campo sencillos o aplicaciones móviles, tales herramientas podrían ayudar a mantener colonias más fuertes, apoyar la polinización y contribuir a una agricultura más resistente y sostenible.

Cita: Ghafoor, A., Majid, M., Amjad, M. et al. Explainable VGG16 transfer learning with SHAP and grad-CAM for wax moth pest and infestation detection in honeybee apiaries using imaging data. Sci Rep 16, 13861 (2026). https://doi.org/10.1038/s41598-026-43455-2

Palabras clave: salud de las abejas, detección de polilla de cera, IA explicable, agricultura de precisión, monitoreo de plagas